Sistemas Expertos
Introducción
Arquitectura - Motor de Inferencias
Licenciatura en Ciencias de la Computación
Introducción a la Inteligencia Artificial
Inicio de los Sistemas Expertos
60´s
70´s
Se buscaban soluciones generales
Los sistemas son más eficientes en dominios
acotados
La calidad y cantidad de conocimiento son
esenciales para una buena performance
Es importante independizar el conocimiento
del dominio del mecanismo de inferencia.
Sistemas basados en conocimiento (SBC-KBS)
Definiciones.
Sistemas que resuelven problemas aplicando una
representación simbólica de la experiencia humana.
Jackson.
Sistemas que representan el conocimiento sobre el
dominio en forma explícita y separada del resto del
sistema.
Waterman.
Sistemas Expertos: Definición.
Es un sistema de cómputo capaz de simular la conducta
inteligente de un experto humano en un dominio
específico y especializado, con el objeto de resolver
problemas.
Sistema de computación
Hardware + software
Simulación
Conducta inteligente
Experto
Dominio limitado
Fuente de pericia humana en el dominio
Específico y especializado
Experiencia humana vs. SE.
PERICIA A RTIFICIA L
PERICIA H U M A N A
P erm an en te
S iem p re accesib le
F ácil d e d o cu m en tar
E stab le, co nfiab le
C o sto m an ejab le
F rag ilid ad d e las m áq u in as
S in in sp iració n
C o no cim ien to técn ico
E stática
D o m in io s estrecho s
P ereced era
N o siem p re accesib le
N o do cu m en tab le
V ariab le, flex ib le 
C o sto sa
F rag ilid ad hu m an a
C reativ a 
S en tido co m ú n 
D in ám ica (ap ren d izaje) 
D o m in io s m ás ex ten sos
 Los humanos son aún imprescindibles.
SE/SBC: Tareas
Síntesis: Clasificación, diagnóstico
Tareas abordadas
Análisis: Planificación, diseño o modelado
Las áreas de aplicación son muy variadas !!!
Los SBC abordan problemas complejos en dominios específicos en
los que el peso de las heurísticas para acotar el espacio de búsqueda
es importante.
Primeros Sistemas Expertos
MYCIN
PROSPECTOR
INTERNIST
CASNET
R1
MOLGEN
Stanford (Buchanan - Shortliffe 1976):
Diagnóstico y tratamiento de enfermedades
infecciosas (aprox. 500 reglas). Introduce
factores de certeza.
Stanford-US Geological Survey (Duda-GashningHart, 1979): Evaluación de yacimientos minerales
y petrolíferos. (aprox 1600 reglas). Probabilidades
condicionales y Teorema de Bayes.
Pittsburg (Pople-Myers, 1977): Diagnóstico
en Medicina interna. CADUCEUS: Analiza
relaciones causales.
Rutgens (Kulikowsky-Weiss-Safir, 1977):
Oftalmología. Aplica un modelo causal para el
diagnóstico de glaucoma.
Carnegie Mellon (Mc Dermott): Configuración de
ordenadores VAX (aprox 500 reglas). Descompone
el diseño en distintos niveles de abstracción.
Stanford (Stefik): Diseño de experimentos
genéticos. Utiliza abstracción.
Conocimiento
inexacto
Razonamiento experto
Modelos causales
Reducción espacio
de búsqueda
Habilidades que se esperan de un SE
 Manipular con fluidez descripciones simbólicas.
 Buena perfomance, comparable al menos a la de los especialistas.
 Interfaz amigable, adecuada a las necesidades de la aplicación.
 Habilidad para manipular conocimiento incompleto e impreciso.
Capacidad de explicar sus decisiones a los usuarios.
 Posibilidad de justificar sus conclusiones.
Estructura básica de un SE.
Ingeniero del
conocimiento
Experto del
dominio
K
A
T
Base de
Conocimientos
Motor de
Inferencias
I
n
t
e
r
f
a
c
e
U
s
u
a
r
i
o
Estructura básica de un Sistema Experto
Base de
Conocimientos
Su estructura de datos queda definida en
términos del esquema de representación
elegido para incorporar el conocimiento
del dominio de trabajo.
Separados entre sí
Motor de
Inferencias
Es la estructura de control de un SE,
contiene el programa que gestiona la BC y
otros mecanismos necesarios para
administrar un sistema de naturaleza
interactiva.
Periodo industrial de la IA
Década de
los 80
Importante apoyo económico a los esfuerzos de I+D.
Gran cantidad de SE en distintos dominios.
Problemas con la metodología de desarrollo
Limitaciones propias del tipo de sistema.
Comparable a la Crisis
de los SI pero posterior
CRISIS
Ingeniería del Conocimiento (IC)
Crisis SI
Crisis
SBC
Desarrollo de la Ingeniería del Software
Desarrollo de la Ingeniería del Conocimiento
La Ingeniería del Software consiste en la aplicación de una
aproximación sistemática, disciplinada y cuantificable al desarrollo,
funcionamiento y mantenimiento del software. (IEEE, 1999)
La IC tiene los mismos objetivos respecto de los SBC
Sistemas Basados en Conocimiento:
Ventajas
 El conocimiento no se pierde.
 Reducción del espacio de búsqueda con heurísticas para que
el problema sea tratable en un tiempo razonable.
 Manejo de conocimiento incierto e incompleto.
 Posibilidad de justificar el razonamiento seguido.
 Hacer el conocimiento disponible en ambientes hostiles o con
carencia de especialistas.
 Aumento de fiabilidad, evitando que prevalezcan las ultimas
experiencias.
 Modificación sencilla de la BC por su característica modular.
Sistemas Basados en Conocimiento: Inconvenientes
 La adquisición del conocimiento es difícil y cara.
 La reutilización del conocimiento en contextos diferentes
no es simple.
 Falta de creatividad y sentido común.
 Obstáculos para el aprendizaje y la adaptación.
Quedan inmersos en el campo de los Sistemas Inteligentes.
Se trabaja sobre metodología de desarrollo
Se los combina con otras tecnologías
SE basados en reglas de producción
Sistemas de
producción
BC
(Reglas)
Newell y Simon (1972): Al resolver problemas, las
personas utilizan su memoria a largo plazo (permanente)
que aplican a situaciones actuales contenidas en su
memoria a corto plazo (transitoria). Esto puede generar
modificaciones en la última.
Mundo Exterior
Memoria de
trabajo (Hechos)
Motor de Inferencias
SE basados en reglas de producción
Reglas de
producción
< CONDICION >
< ACCION>
 Son “gránulos” de conocimiento.
Reúnen información relativa a las condiciones de
disparo y a los efectos resultantes del disparo.
 Son estructuras bidireccionales.
SI ?X ES MAMIFERO Y ?X COME CARNE
ENTONCES ?X ES CARNIVORO.
SE basados en reglas de producción
Ventajas:
Naturaleza modular: El conocimiento es fácil de encapsular y expandir.
 Explicaciones sencillas: El registro de reglas disparadas permite
presentar la cadena de razonamiento asociada.
 Semejanza con el proceso cognitivo humano: modelo natural del
razonamiento humano.
Dificultades:
 Completitud y consistencia como responsabilidad del desarrollador.
Se necesitan otras estructuras para lograr una visión global del
conocimiento del dominio.
Se las combina con otros formalismos
de representación.
SE basados en reglas de producción
MOTOR DE
INFERENCIAS
Dos formas de funcionamiento.
Inductivo: A partir de un objetivo intenta
verificar los hechos que los sostienen
Deductivo: A partir de los hechos disponibles
infiere todas las conclusiones posibles
BACKWARD
CHAINING
FORWARD
CHAINING
SE basados en reglas de producción
Encadenamiento hacia atrás - Backward Chaining.
BH := CONOCIMIENTO INICIAL (HECHOS).
HASTA OBJETIVO O SIN REGLAS PARA
DISPARAR.
Hechos iniciales
REPITA
(1) ENCONTRAR K CONJUNTO DE REGLAS,
CUYAS
CONCLUSIONES
PUEDEN
UNIFICARSE CON LA HIPÓTESIS (CONJUNTO
DE CONFLICTO).
(2) ELEGIR R DE K SEGÚN ESTRATEGIA DE
SOLUCIÓN DE CONFLICTOS (POSIBLE
BACKTRACKING).
(3) SI LA PREMISA DE R NO ESTÁ EN BH,
TOMARLA COMO SUBOBJETIVO.
Objetivo
SE basados en reglas de producción
Backward Chaining: Ciclo base de un motor inductivo.
DETECCIÓN:
SI EL OBJETIVO ES CONOCIDO ÉXITO.
 SINO, TOMAR LAS REGLAS QUE LO CONCLUYEN (CC).
ELECCIÓN:
DECIDIR QUE REGLA APLICAR (RC)
APLICACIÓN:
REEMPLAZAR EL OBJETIVO POR LA CONJUNCIÓN DE
LAS CONDICIONES DE LA PREMISA ELEGIDA.
SE basados en reglas de producción
Ejemplo Backward Chaining: Primer paso
BASE DE REGLAS
R1: p  q  s
R2: r  t
R3: s  t  u
R4: s  r  v
 OBJETIVO: v
 v  BH ?
 v  BH
 SIGUE
BH: p q r
SE basados en reglas de producción
Ejemplo Backward Chaining: Segundo paso
BASE DE REGLAS
 MATCHING CON v
R1: p  q  s
CC = { R4 }
R2: r  t
 s  BH?
R3: s  t  u
 s  BH
R4: s  r  v
 s SUBOBJETIVO
 SIGUE
BH: p q r
SE basados en reglas de producción
Ejemplo Backward Chaining: Tercer paso
BASE DE REGLAS
R1: p  q  s
 MATCHING CON s
R2: r  t
CC = { R1 }
R3: s  t  u
 p  BH? SI.
R4: s  r  v
 q  BH? SI.
 DISPARA R1.
BH: p q r
 BH  s
SE basados en reglas de producción
Ejemplo Backward Chaining: Cuarto paso
BASE DE REGLAS
R1: p  q  s
CC = { R4 }
R2: r  t
 r  BH? SI.
R3: s  t  u
DISPARA R4.
R4: s  r  v
 BH  v
BH: p q r s
SE basados en reglas de producción
Ejemplo Backward Chaining: Quinto paso
BASE DE REGLAS
R1: p  q  s
R2: r  t
R3: s  t  u
R4: s  r  v
BH: p q r s v
OBJETIVO OK.
 FIN
SE basados en reglas de producción
KAPPA-PC
Es un shell, cáscara o Sistema Experto vacío
Reglas y Objetos
Formalismos de representación
Funcionamiento del
Motor de Inferencias
El funcionamiento sistemático
está definido, pueden
personalizarse características
Posee herramientas de traceo y debug.
SE basados en reglas de producción
KAPPA-PC
Otras características
Prototipado muy rápido
Conexión con BD y otros paquetes de software
Construcción de Interfaz básica
Help on line
Lenguaje de programación KAL (basado en C)
Biblioteca de funciones predefinidas
SE basados en reglas de producción
KAPPA-PC
Estructura de clases
Poseen Slots que
las describen
Representación del dominio
Debe incluir los elementos del dominio
sobre los que predicarán las reglas
 Tipo: Texto, Numérico, Booleano, Objeto
 Cardinalidad: single o multi
 Valores permitidos (texto)
 Rango (numéricos)
 Prompt
 Monitores
SE basados en reglas de producción
Ejemplo “Animales Carnívoros” para volcar en Kappa-PC.
 RCARNÍVORO1: SI EL ANIMAL MAMÍFERO COME CARNE
ENTONCES EL ANIMAL ES CARNÍVORO.
 RCARNÍVORO2: SI EL ANIMAL MAMÍFERO TIENE GARRAS Y DIENTES
AGUDOS
ENTONCES EL ANIMAL ES CARNÍVORO.
 RTIGRE: SI EL ANIMAL ES CARNÍVORO Y SU COLOR ES LEONADO Y
SU PELAJE TIENE FRANJAS NEGRAS
ENTONCES EL ANIMAL ES UN TIGRE.
 RLEOPARDO: SI EL ANIMAL ES CARNÍVORO Y SU COLOR ES LEONADO
Y SU PELAJE TIENE MANCHAS OSCURAS
ENTONCES EL ANIMAL ES UN LEOPARDO
SE basados en reglas de producción
KAPPA-PC
Elementos sintácticos
 Atomos: “animal carnívoro”, tigre, Juan.
 Pares: animal:dientes, persona:nombre. (Objeto:Slot)
 Expresiones: Operadores y operandos. Cierran con ;
 Bloques: Conjunto de expresiones en un {….};
 Funciones: nombre( arg1, arg2,….). Biblioteca
SE basados en reglas de producción
KAPPA-PC
Elementos sintácticos
Las Expresiones contienen operadores de distinto tipo:
TESTEO (texto): #= , #<, #>
TESTEO (números): = =, !=, <, <=,>,>=
ASIGNACIÓN: = (todos los tipos)
LÓGICOS: And, Or, Xor
ARITMÉTICOS: ^, *, /, +, -
SE basados en reglas de producción
KAPPA-PC
Representación del dominio
Las reglas predican sobre las instancias definidas .
Rcarnívoro1:
IF animal:comida #= carne;
THEN { animal:grupo = carnivoro;
MoveInstance (animal, Carnivoro) };
SE basados en reglas de producción
KAPPA-PC
¿Qué es un hecho al realizar
encadenamiento de reglas?
Al encadenar reglas, Kappa considera “hechos” a los valores
de los pares objeto:slot.
Al redactar las reglas se deben incluir asignaciones de valor a los
slots para que el motor pueda realizar el encadenamiento
El sistema reconoce los resultado de otras acciones, pero no los
utiliza para construir el árbol de búsqueda.
SE basados en reglas de producción
Backward Chaininig en Kappa-PC.
OBJETOS
MI
BC
REGLAS
FASES
OBJETIVO
 EXPANDING: EVALÚA LOS IF Y ABRE EL ÁRBOL
CONSIDERANDO NUEVOS HECHOS.
 COLLAPSING: TESTEA SI VERIFICA EL GOAL.
 ASKING: PIDE INFORMACIÓN AL USUARIO.
SE basados en reglas de producción
Backward Chaininig en Kappa-PC.
Desde el Rule Trace
Lanzamiento del
motor en BC
Desde el Inference Browser
Utilizando una función.
BackwardChain (< [NOASK]>, Goal, <Lista Reglas> )
Ejemplo “Animales Carnívoros” en Backward Chaining.
En el Inference Browser puede seguirse la inferencia
“paso a paso” para realizar el debug
Backward Chaininig en Kappa-PC: Conclusiones.
 Es obligatorio definir un objetivo o test (Goal).
 El THEN de las reglas debe incluir hechos que permitan
realizar el encadenamiento (asignación de valores a Slots).
 No responde a la exploración Primero Profundo definido en
el Backward Chaining teórico.
 Funcionamiento sistemático único, personalizable por la
definición de objetivos o uso de monitores.
 Si está habilitado, pide automáticamente información al
usuario.
SE basados en reglas de producción
Encadenamiento hacia adelante - Forward Chaining.
BH := CONOCIMIENTO INICIAL (HECHOS).
HASTA OBJETIVO
DISPARAR.
O
SIN
REGLAS
PARA
Hechos iniciales
REPITA:
(1) ENCONTRAR K CONJUNTO DE REGLAS
CUYAS PREMISAS CUMPLEN CON BH
(CONJUNTO DE CONFLICTO-CC).
(2) ELEGIR R DE K SEGÚN ESTRATEGIA DE
SOLUCIÓN DE CONFLICTOS (RC).
(3) DISPARAR R
(RECORDAR R).
Y
ACTUALIZAR BH.
Objetivo
SE basados en reglas de producción
Forward Chaining: Ciclo base de un motor deductivo.
DETECCIÓN:
DETERMINAR EL CONJUNTO DE REGLAS APLICABLES
ELECCIÓN:
DECIDIR QUE REGLA APLICAR (RC)
APLICACIÓN
DISPARAR LA REGLA ELEGIDA Y ACTUALIZAR BH.
SE basados en reglas de producción
Ejemplo Forward Chaining: Primer paso
BASE DE REGLAS
R1: p  q  s
R2: r  t
R3: s  t  u
R4: s  r  v
BH: p q r
CC = { R1, R2 }
 R1  RC
 DISPARA R1
 BH  s
 R1 APLICADA
SE basados en reglas de producción
Ejemplo Forward Chaining: Segundo paso
BASE DE REGLAS
(R1: p  q  s)
R2: r  t
R3: s  t  u
R4: s  r  v
BH: p q r s
CC = { R2, R4 }
 R2  RC
 DISPARA R2
 BH  t
 R2 APLICADA
SE basados en reglas de producción
Ejemplo Forward Chaining:Tercer paso
BASE DE REGLAS
(R1: p  q  s)
(R2: r  t)
R3: s  t  u
R4: s  r  v
BH: p q r s t
CC = { R3, R4 }
 R3  RC
 DISPARA R3
 BH  u
 R3 APLICADA
SE basados en reglas de producción
Ejemplo Forward Chaining:Cuarto paso
BASE DE REGLAS
(R1: p  q  s)
(R2: r  t)
(R3: s  t  u)
R4: s  r  v
BH: p q r s t u
CC = {R4 }
 R4  RC
 DISPARA R4
 BH  v
 R4 APLICADA
SE basados en reglas de producción
Ejemplo Forward Chaining:Quinto paso
BASE DE REGLAS
(R1: p  q  s)
(R2: r  t)
(R3: s  t  u)
(R4: s  r  v)
BH: p q r s t u v
CC = { }
FIN
SE basados en reglas de producción
Forward Chaininig en Kappa-PC.
OBJETOS
MI
REGLAS
LISTA DE
REGLAS
BC
AGENDA DE
HECHOS
ESTRATEGIAS:
 SELECTIVE
 BREATH FIRST
 DEPTH FIRST
 BEST FIRST
Ciclo de Forward Chaininig en Kappa-PC.
1) Se evalúa el hecho actual en la AGENDA.
 CC = { REGLAS QUE MENCIONAN EL HECHO
EN SUS PREMISAS}  LISTA DE REGLAS (LR).
 Se quita el hecho de la AGENDA.
2) Se evalúan las REGLAS de LR en orden, al disparar una:
 Se agregan (si corresponde) hechos en la AGENDA.
 Se quita la REGLA de la LISTA DE REGLAS.
3) Se evalúa finalización.
 Si hay GOAL y es TRUE  FIN.
 Si no es así  Otro Ciclo.
SE basados en reglas de producción
Forward Chaininig en Kappa-PC.
Desde el Rule Trace
Lanzamiento del
motor en FC
Utilizando una función.
ForwardChain ( <[NOASSERT]>, <Goal>, <Lista Reglas> )
SE basados en reglas de producción
Forward Chaininig en Kappa-PC.
Trabaja a partir de la Agenda y la Lista de Reglas
Se debe garantizar la presencia de objetos en estas estructuras
NOASSERT coloca todas las reglas en Lista de Reglas
Assert coloca en la Agenda los HECHOS de interés
Un hecho corresponde al valor de un slot
SE basados en reglas de producción
Forward Chaininig en Kappa-PC.
Colocación de hechos en la Agenda:
1º) SetValue (animal:comida, carne) ;
2º) Assert (animal:comida) ;
3º) ForwardChain ( ) ;
El motor busca las reglas que mencionan
animal:comida en el IF y las ubica en la
Lista de Reglas (CC).
Una vez lanzada la inferencia, los hechos establecidos al disparar
las reglas, son colocados automáticamente en la Agenda.
En FC no se pregunta automáticamente al usuario, el diseñador debe
garantizar el pedido de información para continuar la búsqueda
Forward Chaininig en Kappa-PC.
Forward Chaininig en Kappa-PC.
Forward Chaininig en Kappa-PC.
 Para lanzarlo deben garantizarse hechos en la agenda
(Assert inicial o Forward con [NOASSERT]).
 Se debe asegurar la posterior introducción de hechos en
la agenda durante la inferencia.
 Las estrategias permiten recorrer el árbol de búsqueda de
diferentes formas.
 Las prioridades en las reglas permiten personalizar las
estrategias.
Forward Chaininig en Kappa-PC.
 Los objetivos no son imprescindibles pero permiten
“cortar” la búsqueda.
 La búsqueda puede polarizarse lanzando el Forward con
diferentes grupos de reglas.
 Pueden introducirse “patrones” para inferir sobre
distintos objetos.
Motor de Inferencias: Estructuras de control
Funcionamiento sistemático
Tipo de búsqueda implementada
Ruptura
Demonios
Son procedimientos especiales
Elementos de metaconocimiento
Se invocan a partir de cierto conocimiento deducido durante la ejecución de la aplicación.
Estructuras de control: Demonios
El demonio es una estructura de control que
vigila constantemente el comportamiento del
SE y se activa cuando encuentra
determinadas condiciones en la BC.
Disparador
BC
Procedimiento
 Difieren de los procedimientos tradicionales, en que estos últimos responden a un
llamado específico que los identifica y pone en acción.
Personal Consultant-xx
Kappa-PC
Forward Chaining es un demonio, manejado mediante
la propiedad ANTECEDENT de las reglas.
Monitores: Demonios que se activan a partir de cómo
maneja el sistema los objetos con los que se los asocia.
Demonios en KAPPA-PC.
 If Needed: Cuando el sistema necesita el slot pero su valor no se
conoce. Pensado para asignar valores por defecto  Debe retornar
ese valor.
 When Accesed: Cuando el sistema accede al slot sin importar si
tiene valor asignado. Lleva como argumentos (slot, valor) y debe
retornar valor.
 Before Change: Antes de que se cambie el valor del slot. Lleva
como argumentos (slot, valor) y debe retornar valor.
 After Change: Después de cambiar el valor del slot.
Sistemas expertos: Metaconocimiento
 Es el conocimiento estratégico vinculado a la utilización del conocimiento del
dominio del Sistema Experto.
 Es conocimiento que predica sobre el conocimiento involucrado en el sistema.
Métodos de implementación:
Meta-reglas
Funciones
 Activación o no de grupos de reglas específicas.
 Ordenación de las reglas dentro de los grupos.
 Definición de la búsqueda o no de conceptos asociados.
PC-PLUS  FINDOUT - NOFINDOUT
Posibilidad de asignarles “pesos” numéricos.
Orden de las reglas
PC-PLUS  UTILITY.
 KAPPA-PC  PRIORITY
Sistemas expertos: Metaconocimiento
Enriquece y aporta a la perfomance de un Sistema Experto y por sus características incluye:
Elementos en el Motor de Inferencias: Demonios.
Elementos en la Base de Conocimientos: Metareglas, PRIORITY, etc.
Ejemplos de Metareglas en SEXP-1
IF Litología_Principal = Arenisca THEN Tratar sólo el grupo de reglas asociadas.
IF Litología_Principal = Roca_Ignea THEN
NoAsk (Lista de valores)
Descargar

Sistemas Expertos.